Divergent strategies and convergent outcomes in autonomous materials discovery
尽管采用了不同的探索策略并遇到了与结构不完整相关的共模误差，十六个自主科学智能体仍收敛于相同的甲烷存储最优材料前沿，证明了独立智能体在从共享输入中得出稳健结论的同时，也能复制共享的偏差。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
科学正进入一个新时代，计算机不再仅仅是处理数字，而是开始扮演研究人员的角色。这些被称为“智能体”（agents）的数字科学家可以阅读科学论文、编写代码、运行模拟，并决定下一步该研究什么。它们正在接受测试，以看它们能否解决现实问题，从设计新药到发现更好的材料。这项技术最广阔的前景领域之一是寻找新的储能方式。想象一下，如果我们可以将天然气以紧凑、轻便的形式储存起来，用于车辆或家庭，那将是一个怎样的世界。挑战在于寻找既能容纳大量气体，又不会太重或占用过多空间的材料。科学家们早已知道，一种由金属原子与有机分子链接而成的多孔材料在这一领域表现出色。然而，这类材料的可能变体数量极其庞大，靠人工进行逐一测试是不可能的。这正是自主智能体发挥作用的地方，它们有望比任何人类团队都更快、更聪明地在浩如烟海的可能性中寻找路径。
为了验证这些数字研究员是否真的能独立思考，一支科学家团队设计了一个受控实验。他们创建了一个虚拟世界，其中十六个独立的计算机程序（它们都运行着相同的底层软件）被赋予了完全相同的任务。它们的任务很简单：从一个包含近一万两千五百种金属有机框架（MOFs）的冻结数据库中，找出能够储存最多甲烷气体的最佳材料。每个智能体都有为期一周的计算时间预算，并被要求汇报其发现。为了使测试具有严谨性，研究人员将智能体分为两组。一半的智能体被要求遵循一套严格的规则，要求它们反复检查工作并证明其结果的正确性；另一半则被赋予了相同的科学目标，但没有这些强制性的检查机制，从而允许它们进行更自由的探索。研究人员想观察这些智能体会采取相同的路径得出答案，还是会发展出各自独特的策略。他们还想知道，严格的规则是会帮助智能体发现真理，还是仅仅会拖慢它们的进度。
结果显示，这些智能体的创造力和独立性远超预期。尽管它们最初接收到的指令和数据完全相同，但它们立即分道扬镳。一些智能体决定通过低精度的方法快速测试数千种材料，以获得宏观概览；另一些则专注于少数几种材料，进行非常详细且精确的模拟。甚至有一些智能体选择通过修改数据库中的现有材料来发明新材料，例如移除结构中的部分组件或添加新的化学基团。尽管这些方法迥异——有的智能体只观察了一百种结构，有的则观察了数千种——但它们最终都收敛到了同一个结论。它们识别出了相同的几种高性能材料，所有这些材料都聚集在专家几十年前预测的一个特定性能水平附近。这种一致性令人瞩目；它表明这些材料的底层景观是稳定的，并且不同的策略可以通向同一个可靠的目的地。
然而，实验也揭示了一个几乎让所有人中招的隐形陷阱。十六个智能体中有十五个（包括那些遵循规则的严格组）都报告了同一种材料是绝对的最佳材料。这种材料看起来能储存比其他任何材料都多的气体，打破了已知纪录。但这种材料其实是一个骗局。描述该材料的计算机文件是不完整的，它缺少了本应存在的、用来平衡金属原子电荷的负离子。由于这些离子在文件中缺失，计算机将原本应该是离子占据的位置识别为一个巨大的空隙，使得该材料看起来具有极高的容量。实际上，这个空间是由数据错误制造出的幻象。智能体成功地复现了同一个错误，因为它们都在观察同一个有缺陷的数据库。即使是那些被迫进行检查的智能体也没有发现这一点，因为它们的检查仅验证了计算过程是否正确，而非验证初始数据在化学上是否真实存在。
这一发现为自动化科学的未来提供了一个至关重要的教训。这些智能体证明了它们可以协同工作以寻找可能性的真实极限，展示了不同的路径可以通向稳健的真理。但它们也表明，当所有人都依赖同一个信息源时，大家都会掉进同一个谎言里。严格的规则确实帮助智能体验证了它们的计算，但并没有帮助它们质疑数据本身。实验表明，要让自主科学家变得真正可靠，它们需要的不仅仅是检查数学逻辑的规则，还需要具备识别所给数据是否损坏的能力。这项研究并没有发现一种新的超级材料，但它确实找到了一种理解人工智能如何在复杂的科学发现世界中学习、失败并趋向于真理的新方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。